Generisch-Net:一种通用的深度模型,用于在健康事物互联网中使用可穿戴传感器分析人类运动

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 卫生事物互联网 (IoHT) 旨在实现自主,低成本的医疗保健干预.
• 可穿戴的惯性测量单位 (IMU) 提供了对人类运动,心理状态和日常活动的见解.
• 当前的研究经常使用专门的深度模型来完成特定的人类运动分析任务.

研究的目的:

• 为多个人类运动分析应用开发一个单一的,多功能深度学习模型.
• 证明通用BiGRU-CNN模型在预测情绪状态,分类日常生活活动和重新识别个人方面的有效性.
• 为了利用可穿戴IMU数据进行全面的人类运动分析.

主要方法:

• 开发一种通用的双向门循环单元卷积神经网络 (BiGRU-CNN) 模型.
• 利用公开可用和封闭访问数据集进行培训和验证.
• 收集数据的非侵入性使用可穿戴IMU连接到受试者.

主要成果:

• 该通用模型在分类日常生活活动时实现了96.97%的准确性.
• 在闭环场景中,个体重新识别的准确率达到93.71%.
• 情绪状态估计准确率为78.20%.

结论:

• 使用可穿戴IMU的多功能深度学习模型显示出对各种人类运动分析应用的重大前景.
• 通用BiGRU-CNN模型提供了一种统一的方法,减少了对特定问题模型的需求.
• 这项研究推动了健康物联网框架内的智能系统的发展.